| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 图表清单 | 第9-11页 |
| 注释表 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| ·课题的研究背景 | 第12-13页 |
| ·国内外研究现状 | 第13-17页 |
| ·个性化信息服务的研究现状 | 第13-15页 |
| ·用户建模技术的研究现状 | 第15-16页 |
| ·RSS 信息服务的研究现状 | 第16-17页 |
| ·本文的研究内容 | 第17-18页 |
| ·本文的组织结构 | 第18-20页 |
| 第二章 用户兴趣模型的相关理论及技术 | 第20-36页 |
| ·用户建模的信息来源 | 第20-22页 |
| ·用户建模的信息获取 | 第22页 |
| ·用户兴趣模型的表示 | 第22-30页 |
| ·基于向量空间模型的表示 | 第23-25页 |
| ·基于粗细兴趣粒度的表示 | 第25-26页 |
| ·基于神经网络的表示 | 第26-27页 |
| ·基于本体论的表示 | 第27-28页 |
| ·基于用户-项目评价矩阵的表示 | 第28-29页 |
| ·基于关键词列表的表示 | 第29页 |
| ·基于语义网络的表示 | 第29-30页 |
| ·用户兴趣模型的学习技术 | 第30-33页 |
| ·基于神经网络的学习技术 | 第30-31页 |
| ·基于决策树的学习技术 | 第31页 |
| ·基于聚类的学习技术 | 第31-32页 |
| ·基于信息论的学习技术 | 第32页 |
| ·其他用户兴趣模型学习技术 | 第32-33页 |
| ·用户兴趣模型的更新技术 | 第33-34页 |
| ·信息增补技术 | 第33页 |
| ·神经网络技术 | 第33-34页 |
| ·进化技术 | 第34页 |
| ·本章小结 | 第34-36页 |
| 第三章 自适应用户兴趣模型的构建与更新 | 第36-50页 |
| ·用户反馈技术 | 第36-39页 |
| ·显式反馈 | 第36-37页 |
| ·隐式反馈 | 第37-39页 |
| ·用户兴趣模型表示方式的改进 | 第39-40页 |
| ·用户兴趣漂移技术 | 第40-44页 |
| ·滑动时间窗口技术 | 第41-42页 |
| ·渐进遗忘技术 | 第42-43页 |
| ·Rocchio 方法 | 第43-44页 |
| ·用户兴趣模型的建立 | 第44-46页 |
| ·用户短期兴趣模型的建立 | 第45页 |
| ·用户长期兴趣模型的建立 | 第45-46页 |
| ·用户兴趣模型的学习和更新机制 | 第46-49页 |
| ·用户短期兴趣模型的更新 | 第47页 |
| ·用户长期兴趣模型的更新 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 自适应用户兴趣模型在RSS 信息服务中的应用 | 第50-69页 |
| ·RSS 信息服务 | 第50-53页 |
| ·英文文本预处理技术 | 第53-56页 |
| ·基于信息推荐技术的用户兴趣模型优化 | 第56-59页 |
| ·相似度的计算 | 第56页 |
| ·信息推荐技术 | 第56-57页 |
| ·基于信息推荐技术的用户兴趣模型优化算法 | 第57-59页 |
| ·个性化RSS 新闻推荐系统的设计与实现 | 第59-68页 |
| ·系统的设计目标和功能 | 第59-60页 |
| ·系统的结构设计 | 第60-63页 |
| ·系统的主模块设计 | 第63-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 实验和结果分析 | 第69-79页 |
| ·实验 | 第69-71页 |
| ·实验环境 | 第69页 |
| ·实验数据 | 第69-70页 |
| ·评价标准 | 第70-71页 |
| ·实验方法 | 第71页 |
| ·实验结果与分析 | 第71-78页 |
| ·实验参数的确定 | 第72页 |
| ·实验一：不同兴趣类型的用户使用系统的结果对比 | 第72-75页 |
| ·实验二：采用不同兴趣漂移技术的模型性能对比 | 第75-77页 |
| ·实验三：基于信息推荐技术的用户兴趣模型优化算法的可行性验证 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-82页 |
| ·总结 | 第79-80页 |
| ·展望 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 致谢 | 第87-88页 |
| 在学期间的研究成果及发表的论文 | 第88页 |